Un anévrisme intracrânien correspond à une anomalie anatomique résultant d’une déformation structurale et résiduelle de la paroi d’une artère cérébrale. On estime qu’entre 2 et 5% de la population mondiale possède un anévrisme cérébral. Le risque annuel de rupture de ce dernier varie entre 1 et 4% dans la population porteuse de la pathologie, soit entre 7-11/100000, ce qui en fait un problème de santé publique majeur. Les anévrismes intracrâniens sont généralement découverts lors de leur rupture, ce qui entraîne, dans un cas sur quatre environ, le décès du patient avant même son arrivée à l’hôpital. Pour les patients pris en charge suffisamment rapidement, environ la moitié d’entre eux décède dans le mois qui suit leur hospitalisation et un patient sur trois qui survit présentera des troubles neurologiques conséquents. Il existe également des cas où l’anévrisme est découvert de façon fortuite au cours d’un examen d’imagerie cérébral. Le praticien doit alors, à partir des images anatomiques, évaluer et prédire le risque de rupture potentielle de l’anévrisme avant de décider du traitement le mieux adapté (neurochirurgie, traitement endovasculaire, ou approche conservative). La décision d’intervention, ou de non intervention (approche conservative), est basée sur des critères de morphologie (taille, forme...), de localisation de l’anévrisme, mais aussi sur des facteurs épidémiologiques, comme l’hypertension artérielle, la consommation d’alcool et de tabac du patient. Si ces informations permettent de dresser un premier bilan sur le risque de rupture potentielle de l’anévrisme, elles ne fournissent aucun renseignement sur la qualité biomécanique de sa paroi, qui reste pourtant le paramètre prépondérant en termes de probabilité de rupture.
La connaissance de ces informations biomécaniques concernant la vulnérabilité des anévrismes intracrâniens serait une aide au diagnostic précieuse pour le praticien et permettrait au patient de bénéficier de la meilleure prise en charge en lien avec l’état de maturation de sa pathologie.
Objectifs de la thèse
Ce travail de thèse a pour vocation de proposer, à partir a) d’images issues de d’expérimentations animales et b) d’images réalisées sur des fantômes d’anévrismes Laboratoire d’InfoRmatique en Image et Systèmes d’information UMR 5205 du CNRS, de l’INSA de Lyon, de l’Université Claude Bernard Lyon 1, de l’Université Lumière Lyon 2 et de l’Ecole Centrale de Lyon cérébraux, une première version d’un modèle prédictif du comportement mécanique de la paroi vasculaire cérébrale. Plus précisément, l’objectif est de proposer un outil-modèle, basé sur l’apprentissage automatique, qui produit pour le praticien l’information quantitative sur l’état de dégradation du tissu vasculaire de son patient uniquement à partir d’une image anatomique.
Le travail de thèse s’articulera autour des axes suivants : Constitution de la base de données dédiées aux modèles descriptif et prédictif :
Inventaire, préparation
Les outils/modèles visées dans cette partie sont dirigés par les données (Data Driven) dont la préparation ne peut pas être entièrement automatisée. Ce travail vise alors à préparer les données de manière à rendre les informations qu'elles contiennent plus accessibles et assurer qu’elles décrivent chaque problème posé avec  ’ensemble de ses variabilités ; la préparation garantit aussi le respect des contraintes dans la composition des partitions/jeux d’entrainement, de validation et de test.
Modèles descriptifs des données
Les modèles descriptifs qui seront proposés dans cette partie permettront d'organiser, de simplifier et d'aider à comprendre l'information sous-jacente des ensembles de données récoltées et organisées au premier point. Il s’agit de l’apprentissage non supervisé. Ces modèles permettront de travailler sur l’ensemble de données, organisées en instances de variables, dans lequel aucune des variables explicatives (des cas ou type de cas par exemple) n'a d'importance particulière par rapport aux autres. Les modèles proposés permettront : a) de dégager d'un ensemble de cas, des groupes homogènes en typologie, pour construire des normes de comportements et donc des déviations par rapport à ces normes telles que la détection d’anomalies nouvelles, b) de réaliser de la compression d'informations, c) de dégager la corrélation entre les données/variables et d) de dégager les données/variables discriminantes en corrélation
avec les cas d’anomalies.
Modèle prédictif
Les modèles prédictifs proposés dans cette troisième partie visent à prédire le phénomène observable, évolution d’anévrisme, décrite effectivement par les modèles biomécaniques
et à partir des images. Concrètement, une ou plusieurs variables, définies à partir des caractéristiques extraites des images et des données biomécaniques, seront comme étant les plus discriminantes dans l'évaluation de la probabilité pour une évolution particulière de l’état d’anévrisme. Deux catégories d’opération seront envisagées : la discrimination ou classification, et la régression ou prédiction, en fonction du type de variable à expliquer. Enfin, la catégorie de modèle asymétrique sera explorée. Dans cette catégorie, nous disposons des données de modalités différentes respectivement dans la base et au moment de test (classification/régression). Dans ce cas, nous supposerons qu’une image est fournie au moment du test, l’étape en ligne, et que les données biomécaniques Laboratoire d’InfoRmatique en Image et Systèmes d’information UMR 5205 du CNRS, de l’INSA de Lyon, de l’Université Claude Bernard Lyon 1, de l’Université Lumière Lyon 2 et de l’Ecole Centrale de Lyon associées par corrélation établie en amont, l’étape en hors ligne ou différé, constituent la base. Ce travail s’inscrit dans un cadre collaboratif pluridisciplinaire déjà établi entre l’ECL et les HCL.